
import pandas as pd

# Leitura do arquivo e pequena amostragem para identificar as colunas de dados
df_atletas = pd.read_csv('athlete_events.csv', encoding='UTF-8', index_col='ID')
df_atletas.head(3)


df_atletas = df_atletas.rename(axis=1,
                               mapper={'Name':'Nome','Sex':'Gênero','Age':'Idade', \
                               'Height':'Altura','Weight':'Peso','Team':'Time','NOC':'NOC','Games':'Edição', \
                                       'Year':'Ano','Season':'Temporada','City':'Cidade','Sport':'Esporte', \
                                       'Event':'Evento','Medal':'Medalha'})

# Adição de colunas úteis, como 0 ou 1 para cada tipo de medalha e uma coluna Qtd que será 1 se alguma medalha
# foi ganha pelo atleta, independente de qual.
# Finalmente, uma coluna "Ordem" para facilitar a apresenção Ouro -> Prata -> Bronze -> Nenhuma medalha
df_atletas['Ouros'], df_atletas['Pratas'], df_atletas['Bronzes'], df_atletas['Qtd'], df_atletas['Ordem'] = \
[df_atletas.Medalha.apply(lambda x : 1 if x == 'Gold' else 0), \
 df_atletas.Medalha.apply(lambda x : 1 if x == 'Silver' else 0), \
 df_atletas.Medalha.apply(lambda x : 1 if x == 'Bronze' else 0), \
 df_atletas.Medalha.apply(lambda x : 1 if x == 'Gold' or x == 'Silver' or x == 'Bronze' else 0), \
 df_atletas.Medalha.apply(lambda x : 1 if x == 'Gold' else 2 if x == 'Silver' else 3 if x == 'Bronze' else 4)]

df_atletas.head(3)


df_meds_br = df_atletas[(df_atletas.NOC == 'BRA') & (df_atletas.Qtd > 0)]
df_meds_br.head(3)


import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

# Configura o tema para os gráficos em linhas gerais
sns.set_theme(style='darkgrid', palette='bright')

# Essa lista de cores é utilizada para padronizar os gráficos de pizza
cores_pizza = ['gold','silver','goldenrod','darkorange','darkgray','peru','khaki','gainsboro','chocolate',
               'orangered','coral','limegreen','salmon'];

# Funções que serão chamadas antes e após desenho dos gráficos para melhorar a apresentação
''' 
Configura dimensões para um novo gráfico 
'''
def pre_g(largura=15, altura=10):
    plt.figure(figsize=(largura, altura))

''' 
Pós-composição para gráficos
Customiza título do gráfico, títulos dos eixos X e Y, legenda
'''
def config_g(grafico, tit, tit_y=None, tit_x=None, rot_x=0, legenda=None, ancora_leg=(0,0)):
    
    # Titulo do gráfico
    plt.title(tit, fontsize=18, fontweight='bold')
    # Rotação do eixo X
    plt.xticks(rotation=rot_x)
    # Títulos dos eixos X e Y
    if tit_x is None:
        try:
            tit_x = grafico.get_xlabel()
        except:
            pass
            
    if tit_x is not None:
        grafico.set_xlabel(tit_x)
        grafico.xaxis.get_label().set_fontsize(14)
        grafico.xaxis.get_label().set_fontweight('bold')
   
    if tit_y is None:
        try:
            tit_y = grafico.get_ylabel()
        except:
            pass
            
    if tit_y is not None:
        grafico.set_ylabel(tit_y)
        grafico.yaxis.get_label().set_fontsize(14)
        grafico.yaxis.get_label().set_fontweight('bold')
    
    # Legenda
    if legenda is not None:
        g.legend(loc=legenda, bbox_to_anchor=ancora_leg);


pre_g()

g = sns.barplot(data=df_meds_br, x='Esporte', y='Altura', hue='Gênero', ci=None, palette=['royalblue', 'deeppink']);

# Azul para H, Rosa para M e títulos do eixo X rotacionados para melhor apresentação
# Fontes dos títulos destacadas
# Legenda em posição customizada
config_g(g, tit='Média de Altura dos Medalhistas por Esporte e Gênero', \
         tit_y='Altura (cm)', rot_x=90, legenda='center right', ancora_leg=(-0.07, 0.5))


pre_g()

g = sns.barplot(data=df_meds_br, x='Esporte', y='Peso', hue='Gênero', ci=None, palette=['royalblue', 'deeppink']);

config_g(g, tit='Média de Peso dos Medalhistas por Esporte e Gênero', \
         tit_y='Peso (kg)', rot_x=90, legenda='center right', ancora_leg=(-0.07, 0.5))


#import matplotlib.patches as mpatches
df_meds_atleta_br = df_meds_br.groupby(by='Nome').sum()
df_mai_atleta_br = df_meds_atleta_br[df_meds_atleta_br.Qtd == df_meds_atleta_br.Qtd.max()]
df_mai_atleta_br.reset_index(inplace=True)


pre_g()

# Para empilhar as barras, somei os valores das medalhas inferiores (truque)
# Sinceramente, não encontrei uma forma mais simples de alcançar esse resultado

# Ouros
sns.barplot(data=df_mai_atleta_br, x=df_mai_atleta_br.Nome, 
            y=df_mai_atleta_br.Ouros+df_mai_atleta_br.Pratas+df_mai_atleta_br.Bronzes, color='gold', 
            label='Ouros')
# Pratas
sns.barplot(data=df_mai_atleta_br, x=df_mai_atleta_br.Nome, 
            y=df_mai_atleta_br.Pratas+df_mai_atleta_br.Bronzes, color='silver', 
            label='Pratas')
# Bronzes
g = sns.barplot(data=df_mai_atleta_br, x=df_mai_atleta_br.Nome, 
            y=df_mai_atleta_br.Bronzes, color='goldenrod', 
            label='Bronzes')

# Legenda customizada
plt.legend(loc=8)

# Títulos
config_g(g, tit='Medalhas dos Maiores Medalhistas Brasileiros', tit_x='Atleta', tit_y='Medalhas')


df_por_evento_br = df_meds_br[['Temporada','Ano','Esporte','Evento','Ouros','Pratas','Bronzes','Qtd','Ordem']].drop_duplicates()
df_por_esporte_br = df_por_evento_br.groupby('Esporte').sum()

# Por ordem decrescente, para rápida identificação dos esportes mais vencedores
df_por_esporte_br = df_por_esporte_br.sort_values(['Qtd','Ouros','Pratas','Bronzes'],ascending=False)
df_por_esporte_br.reset_index(inplace=True)
df_por_esporte_br.head(3)


pre_g()

sns.barplot(data=df_por_esporte_br, x=df_por_esporte_br.Esporte, 
            y=df_por_esporte_br.Ouros+df_por_esporte_br.Pratas+df_por_esporte_br.Bronzes, color='gold', label='Ouros', ci=None)

sns.barplot(data=df_por_esporte_br, x=df_por_esporte_br.Esporte, 
            y=df_por_esporte_br.Pratas+df_por_esporte_br.Bronzes, color='silver', label='Pratas', ci=None)

g = sns.barplot(data=df_por_esporte_br, x=df_por_esporte_br.Esporte, 
            y=df_por_esporte_br.Bronzes, color='goldenrod', label='Bronzes', ci=None)

config_g(g, tit='Medalhas Brasileiras por Esporte', tit_x='Esporte', rot_x=90, tit_y='Medalhas', 
         legenda='center right', ancora_leg=(1.12, 0.5))


df_evento_br = df_meds_br[['Temporada','Ano','Esporte','Evento','Ouros','Pratas','Bronzes','Qtd','Ordem']].drop_duplicates()
df_evento_br = df_evento_br.groupby('Evento').sum()
df_evento_br = df_evento_br.sort_values(['Qtd','Ouros','Pratas','Bronzes'],ascending=False)
df_evento_br.reset_index(inplace=True)
df_evento_br.head(3)


# Para esse gráfico utilizei barras horizontais para uma melhor visualização dos dados

pre_g(altura=20)

sns.barplot(data=df_evento_br, orient='h', y=df_evento_br.Evento, 
            x=df_evento_br.Ouros+df_evento_br.Pratas+df_evento_br.Bronzes, color='gold', 
            label='Ouros')

sns.barplot(data=df_evento_br, orient='h', y=df_evento_br.Evento, 
            x=df_evento_br.Pratas+df_evento_br.Bronzes, color='silver', 
            label='Pratas')

g = sns.barplot(data=df_evento_br, orient='h', y=df_evento_br.Evento, 
            x=df_evento_br.Bronzes, color='goldenrod', 
            label='Bronzes')

config_g(g, tit='Medalhas Brasileiras por Evento Esportivo', tit_y='Evento', tit_x='Medalhas', 
         legenda='center right', ancora_leg=(1.12, 0.5))


df_esporte_br = df_por_evento_br.groupby('Esporte').sum()
df_esporte_br.reset_index(inplace=True)
df_esporte_br.head(3)


pre_g(altura=6)

# Hue utilizado para maior sofisticação visual. Tamanho do marcador customizado. Legenda automática omitida já que os esportes 
# já estão no eixo X; Dados ordenados de forma decrescente, que permite identificar rapidamente os esportes mais vencedores
g = sns.scatterplot(data=df_por_esporte_br, x='Esporte', y='Qtd', hue='Esporte', s=150, legend=False)

config_g(g, tit='Medalhas Brasileiras por Esporte', tit_y='Medalhas', tit_x='Esporte', rot_x=90)


pre_g(altura=6)

df_ouros_esporte_br = df_por_esporte_br.sort_values(['Ouros','Pratas','Bronzes'], ascending=False)

# Similar ao gráfico anterior
g = sns.scatterplot(data=df_ouros_esporte_br, x='Esporte', y='Ouros', hue='Esporte', s=150, legend=False)

config_g(g, tit='Medalhas de Ouro Brasileiras por Esporte', tit_y='Ouros', tit_x='Esporte', rot_x=90)


# Seaborn não possui gráficos de pizza, logo será utilizada a versão da Matplotlib

df_pizza = df_ouros_esporte_br[df_ouros_esporte_br.Ouros > 0][['Esporte','Ouros']]

# Para tornar a visualização mais direta, acrescentamos o total de medalha de cada esporte à sua direita, como título da fatia
df_pizza['Rotulos'] = df_pizza['Esporte']+'; '+df_pizza['Ouros'].astype(str)

pre_g(altura=8)

# O ângulo customizado visa impedir a sobreposição dos rótulos dos esportes com menos medalhas
g = plt.pie(df_pizza.Ouros, labels=df_pizza.Rotulos, counterclock=False, startangle=120, colors=cores_pizza);

config_g(g, tit='Medalhas de Ouro Brasileiras por Esporte')


df_hist_br = df_meds_br[['Temporada','Ano','Esporte','Evento','Ouros','Pratas','Bronzes','Qtd','Ordem']].drop_duplicates()
df_hist_br = df_hist_br.groupby('Ano').sum()
df_hist_br.reset_index(inplace=True)
df_hist_br.head(5)


pre_g(altura=7)

# Para cada linha vamos utlizar uma espessura e padrão de pontilhado para facilitar a distinção
g1 = sns.lineplot(data=df_hist_br, x='Ano', y='Ouros', color='gold', label='Ouros', 
                  marker='o', linewidth=3)

g2 = sns.lineplot(data=df_hist_br, x='Ano', y='Pratas', color='gray', label='Pratas', 
                  marker='o', linestyle='--', linewidth=2)

g3 = sns.lineplot(data=df_hist_br, x='Ano', y='Bronzes', color='goldenrod', label='Bronzes', 
                  marker='o', linestyle='-.')

config_g(g1, tit='Medalhas do Brasil por Edição', tit_y='Medalhas', tit_x='Ano', rot_x=70)

# Customizada a escala do eixo X para apresentar todos os anos
plt.xticks(df_hist_br.Ano);
plt.legend();


df_med_mundo = df_atletas[(df_atletas.Qtd > 0) & (df_atletas.Temporada == 'Summer')]
df_med_mundo.head(3)


# Gráfico da linha 1 coluna 1 (gráfico 1)
df_qtd_atleta = df_med_mundo[['Nome','Qtd']].groupby('Nome').sum()
df_qtd_atleta.describe()


plt.figure(figsize=(12,8))

df_qtd_1 = df_qtd_atleta.groupby('Qtd').count()
df_qtd_1.reset_index(inplace=True)

plt.subplot(121)
plt.boxplot(df_qtd_1, showmeans=True);
plt.title('Medalhas por Atleta');

# Removendo os outliers
#df_qtd_atleta_nout = df_qtd_atleta[df_qtd_atleta.Qtd <= df_qtd_atleta.Qtd.quantile(0.95)]
df_qtd_2 = df_qtd_atleta[df_qtd_atleta.Qtd <= df_qtd_atleta.Qtd.quantile(0.95)]
df_qtd_2 = df_qtd_2.groupby('Qtd').count()
df_qtd_2.reset_index(inplace=True)

# Gráfico da linha 1 coluna 2 (gráfico 2)
plt.subplot(122)
plt.boxplot(df_qtd_2, showmeans=True);
#plt.boxplot(x=df_qtd_2, showmeans=True);
plt.title('Medalhas por Atleta (sem Outliers)');


# Obtemos o total de medalhas por modalidade, removendo o nome do atleta. Então removemos as duplicidades
df_med_pais = df_med_mundo[['NOC','Ano','Esporte','Evento','Ouros','Pratas','Bronzes','Qtd','Ordem']].drop_duplicates()

# Agrupamos o resultado por país e ordenamos de forma decrescente do total de medalhas e tipo 
df_tot_pais = df_med_pais.groupby('NOC').sum()
df_tot_pais.sort_values(['Qtd','Ouros','Pratas','Bronzes'], ascending=False, inplace=True)
df_tot_pais.reset_index(inplace=True)

# Separamos em dois dataframes: 10 maiores e "demais"
df_10_maiores = df_tot_pais[:10].copy()
df_outros = df_tot_pais[11:].sum()
df_outros['NOC'] = 'OTH'     # Ajustamos o NOC do grupo "demais" países

# Juntamos os dois dataframes
df_11_maiores = df_10_maiores.append(df_outros, ignore_index=True)
df_11_maiores


# A direita da sigla do país será apresentado o total de medalhas
df_pizza_11 = df_11_maiores[['NOC','Ouros']].copy()
df_pizza_11['Rotulos'] = df_pizza_11['NOC']+'; '+df_pizza_11['Ouros'].astype(str)

pre_g(altura=8)

g = plt.pie(df_pizza_11.Ouros, labels=df_pizza_11.Rotulos, counterclock=False, startangle=140, colors=cores_pizza);

config_g(g, tit='Medalhas de Ouro por País')


df_pizza_11T = df_11_maiores[['NOC','Qtd']].copy()
df_pizza_11T['Rotulos'] = df_pizza_11T['NOC']+'; '+df_pizza_11T['Qtd'].astype(str)

pre_g(altura=8)

g = plt.pie(df_pizza_11T.Qtd, labels=df_pizza_11T.Rotulos, colors=cores_pizza, counterclock=False, 
            startangle=130);

config_g(g, tit='Total de Medalhas por País')


pre_g()

sns.barplot(data=df_11_maiores, x=df_11_maiores.NOC, 
            y=df_11_maiores.Ouros+df_11_maiores.Pratas+df_11_maiores.Bronzes, color='gold', label='Ouros', ci=None)

sns.barplot(data=df_11_maiores, x=df_11_maiores.NOC, 
            y=df_11_maiores.Pratas+df_11_maiores.Bronzes, color='silver', label='Pratas', ci=None)

g = sns.barplot(data=df_11_maiores, x=df_11_maiores.NOC, 
            y=df_11_maiores.Bronzes, color='goldenrod', label='Bronzes', ci=None)

config_g(g, tit='Medalhas por País', tit_x='País', tit_y='Medalhas', 
         legenda='center right', ancora_leg=(1.12, 0.5))


pre_g()

g = sns.scatterplot(data=df_11_maiores, x=df_11_maiores.NOC, y=df_11_maiores.Qtd, hue=df_11_maiores.NOC.values, s=150, legend=False)

config_g(g, tit='Medalhas por País', tit_x='País', tit_y='Medalhas')


# É necessário utilizar ISO-3 para os códigos de país, pois é a configuração que mais se
# aproxima dos códigos utilizados na coluna NOC do DataFrame
df_11_geo = df_10_maiores.copy()
df_11_geo.loc[df_11_geo['NOC'] == 'URS','NOC'] = 'RUS'   # Russia não é URS mas sim RUS em ISO-3
df_11_geo.loc[df_11_geo['NOC'] == 'GER','NOC'] = 'DEU'   # Alemanha não é GER mas sim DEU em ISO-3

# Vamos utilizar Plotly e suas características de gráficos geográficos

import plotly.express as px
import plotly.graph_objects as go

# Desenhamos o gráfico
fig = px.scatter_geo(df_11_geo, locations='NOC', color='NOC', size='Ouros', 
                     locationmode='ISO-3', projection="equirectangular", 
                     height=500, width=900)

# Customizamos as cores de fundo
fig.update_geos(resolution=50,showcoastlines=True, coastlinecolor="DarkGreen",
    showland=True, landcolor="LightGreen", showocean=True, oceancolor="LightBlue",
    showlakes=False, showrivers=False)

# Apresentamos
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})
fig.show()

# Agora para medalhas de prata
fig = px.scatter_geo(df_11_geo, locations='NOC', color='NOC', size='Pratas', 
                     locationmode='ISO-3', projection="equirectangular", 
                     height=500, width=900)

fig.update_geos(resolution=50,showcoastlines=True, coastlinecolor="DarkGreen",
    showland=True, landcolor="LightGreen", showocean=True, oceancolor="LightBlue",
    showlakes=False, showrivers=False)

fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})
fig.show()


# Indexa DataFrame de atletas por nome, reduzindo para as colunas desejadas apenas
df_atletas_nome = df_atletas[['Nome','Esporte','NOC']].set_index('Nome')

# Adiciona o esporte ao DataFrame de maiores medalhistas do Brasil para poder buscar os atletas 
# dos outros paises por essa chave
df_comp_br = df_mai_atleta_br.join(df_atletas_nome, on='Nome', how='left').drop_duplicates()
df_comp_br.reset_index(inplace=True, drop=True)

# Busca os atletas de todo mundo para o esporte dos maiores medalhistas brasileiros
df_mai_mundo = df_med_mundo[df_med_mundo.Esporte.isin(df_comp_br.Esporte.unique())].groupby('Nome').sum()

# ...filtrando para aqueles que são os maiores medalhistas na modalidade
df_mai_mundo = df_mai_mundo[(df_mai_mundo.Qtd == df_mai_mundo.Qtd.max())]
df_mai_mundo = df_mai_mundo.join(df_atletas_nome, on='Nome', how='left').drop_duplicates()
df_mai_mundo.reset_index(inplace=True)

# Agora juntamos os maiores medalhistas do mundo da(s) modalidade(s) apuradas, e eliminamos as duplicidades, 
# que podem ocorrer
# se os brasileiros tiverem o mesmo total de medalhas dos demais atletas do mundo
df_mai_mundo.append(df_comp_br).drop_duplicates()

# Para uma melhor visualização, acrescenta o país ao nome do atleta que vamos apresentar no eixo X do gráfico
df_mai_mundo['Nome'] = df_mai_mundo['Nome'] + ' ('+ df_mai_mundo['NOC']+ ')'


pre_g()

sns.barplot(data=df_mai_mundo, x=df_mai_mundo.Nome, 
            y=df_mai_mundo.Ouros+df_mai_mundo.Pratas+df_mai_mundo.Bronzes, color='gold', label='Ouros')

sns.barplot(data=df_mai_mundo, x=df_mai_mundo.Nome, 
            y=df_mai_mundo.Pratas+df_mai_mundo.Bronzes, color='silver', label='Pratas')

g = sns.barplot(data=df_mai_mundo, x=df_mai_mundo.Nome, 
            y=df_mai_mundo.Bronzes, color='goldenrod', label='Bronzes')

config_g(g, tit='Maiores Medalhistas BR x Mundo', tit_x='Atleta', tit_y='Medalhas', 
         legenda='center right', ancora_leg=(1.12, 0.5))


# DataFrame contendo apenas o(s) esporte(s) brasieiros com mais medalhas no total
df_mai_esporte_br = df_esporte_br[df_esporte_br.Qtd == df_esporte_br.Qtd.max()]

# Seleciona o total de medalhas de todos os países na(s) modalidade(s) identificadas no passo anterior
df_mais_pais_esp = df_med_pais[df_med_pais.Esporte.isin(df_mai_esporte_br.Esporte.unique())] \
    .groupby(['NOC','Esporte']).sum()

# Filtra o(s) país(es) com o máximo de medalhas na modalidade
df_mais_pais_esp = df_mais_pais_esp[df_mais_pais_esp.Qtd == df_mais_pais_esp.Qtd.max()]

# Prepara para concatenar o Brasil
df_mais_pais_esp.reset_index(inplace=True)

# Concatena e adiciona o código NOC para o Brasil, pois o DataFrame não contem esse dado
df_mais_pais_esp = df_mais_pais_esp.append(df_mai_esporte_br, ignore_index=True).drop_duplicates()
df_mais_pais_esp.fillna('BRA', inplace=True)
df_mais_pais_esp.Esporte = df_mais_pais_esp.Esporte + ' (' + df_mais_pais_esp.NOC + ')'
df_mais_pais_esp


pre_g()

sns.barplot(data=df_mais_pais_esp, x=df_mais_pais_esp.Esporte, 
            y=df_mais_pais_esp.Ouros+df_mais_pais_esp.Pratas+df_mais_pais_esp.Bronzes, color='gold', label='Ouros')

sns.barplot(data=df_mais_pais_esp, x=df_mais_pais_esp.Esporte, 
            y=df_mais_pais_esp.Pratas+df_mais_pais_esp.Bronzes, color='silver', label='Pratas')

g = sns.barplot(data=df_mais_pais_esp, x=df_mais_pais_esp.Esporte, 
            y=df_mais_pais_esp.Bronzes, color='goldenrod', label='Bronzes')

config_g(g, tit='Esportes Brasileiro Com Mais Medalhas x Mundo', tit_x='Esporte', tit_y='Medalhas', 
         legenda='center right', ancora_leg=(1.12, 0.5))


# Adicionamos o Brasil ao DataFrame com os 10 países com mais medalhas
df_10_BRA = df_10_maiores.copy()

# Removemos o Brasil do grupo "outros"
df_outros = df_tot_pais[~df_tot_pais.NOC.isin(df_10_BRA.NOC.unique())].sum()
df_outros['NOC'] = 'OUT'     # Ajusta o NOC do grupo "outros"

# Une os dois DataFrames
df_10_BRA = df_10_BRA.append(df_outros, ignore_index=True)

# Um pequeno truque: Brasil adicionado por último para ter uma cor específica nos gráficos de pizza
df_10_BRA = df_10_BRA.append(df_tot_pais[df_tot_pais.NOC == 'BRA'], ignore_index=True)
df_10_BRA


# a) Gráfico de pizza do total de ouros
df_pizza_11 = df_10_BRA[['NOC','Ouros']].copy()
df_pizza_11['Rotulos'] = df_pizza_11['NOC']+'; '+df_pizza_11['Ouros'].astype(str)

pre_g(altura=8)

g = plt.pie(df_pizza_11.Ouros, labels=df_pizza_11.Rotulos, colors=cores_pizza, counterclock=False, 
            startangle=65);

config_g(g, tit='Medalhas de Ouro por País')


# b) Gráfico de pizza do total de medalhas
df_pizza_11T = df_10_BRA[['NOC','Qtd']].copy()
df_pizza_11T['Rotulos'] = df_pizza_11T['NOC']+'; '+df_pizza_11T['Qtd'].astype(str)

pre_g(altura=8)

g = plt.pie(df_pizza_11T.Qtd, labels=df_pizza_11T.Rotulos, colors=cores_pizza, counterclock=False, 
            startangle=65);

config_g(g, tit='Total de Medalhas por País')


# c) Gráfico de barras empilhadas por tipo de medalha
pre_g()
sns.barplot(data=df_10_BRA, x=df_10_BRA.NOC, 
            y=df_10_BRA.Ouros+df_10_BRA.Pratas+df_10_BRA.Bronzes, color='gold', label='Ouros', ci=None)

sns.barplot(data=df_10_BRA, x=df_10_BRA.NOC, 
            y=df_10_BRA.Pratas+df_10_BRA.Bronzes, color='silver', label='Pratas', ci=None)

g = sns.barplot(data=df_10_BRA, x=df_10_BRA.NOC, 
            y=df_10_BRA.Bronzes, color='goldenrod', label='Bronzes', ci=None)

config_g(g, tit='Medalhas por País', tit_x='País', tit_y='Medalhas', 
         legenda='center right', ancora_leg=(1.12, 0.5))

	Name	Sex	Age	Height	Weight	Team	NOC	Games	Year	Season	City	Sport	Event	Medal
ID
1	A Dijiang	M	24.0	180.0	80.0	China	CHN	1992 Summer	1992	Summer	Barcelona	Basketball	Basketball Men's Basketball	NaN
2	A Lamusi	M	23.0	170.0	60.0	China	CHN	2012 Summer	2012	Summer	London	Judo	Judo Men's Extra-Lightweight	NaN
3	Gunnar Nielsen Aaby	M	24.0	NaN	NaN	Denmark	DEN	1920 Summer	1920	Summer	Antwerpen	Football	Football Men's Football	NaN

	Nome	Gênero	Idade	Altura	Peso	Time	NOC	Edição	Ano	Temporada	Cidade	Esporte	Evento	Medalha	Ouros	Pratas	Bronzes	Qtd	Ordem
ID
1	A Dijiang	M	24.0	180.0	80.0	China	CHN	1992 Summer	1992	Summer	Barcelona	Basketball	Basketball Men's Basketball	NaN	0	0	0	0	4
2	A Lamusi	M	23.0	170.0	60.0	China	CHN	2012 Summer	2012	Summer	London	Judo	Judo Men's Extra-Lightweight	NaN	0	0	0	0	4
3	Gunnar Nielsen Aaby	M	24.0	NaN	NaN	Denmark	DEN	1920 Summer	1920	Summer	Antwerpen	Football	Football Men's Football	NaN	0	0	0	0	4

	Nome	Gênero	Idade	Altura	Peso	Time	NOC	Edição	Ano	Temporada	Cidade	Esporte	Evento	Medalha	Ouros	Pratas	Bronzes	Qtd	Ordem
ID
918	Ademir Roque Kaefer	M	24.0	179.0	74.0	Brazil	BRA	1984 Summer	1984	Summer	Los Angeles	Football	Football Men's Football	Silver	0	1	0	1	2
918	Ademir Roque Kaefer	M	28.0	179.0	74.0	Brazil	BRA	1988 Summer	1988	Summer	Seoul	Football	Football Men's Football	Silver	0	1	0	1	2
925	Adenzia Aparecida Ferreira da Silva	F	25.0	187.0	65.0	Brazil	BRA	2012 Summer	2012	Summer	London	Volleyball	Volleyball Women's Volleyball	Gold	1	0	0	1	1

	Nome	Gênero	Idade	Altura	Peso	Time	NOC	Edição	Ano	Temporada	Cidade	Esporte	Evento	Medalha	Ouros	Pratas	Bronzes	Qtd	Ordem
ID
4	Edgar Lindenau Aabye	M	34.0	NaN	NaN	Denmark/Sweden	DEN	1900 Summer	1900	Summer	Paris	Tug-Of-War	Tug-Of-War Men's Tug-Of-War	Gold	1	0	0	1	1
15	Arvo Ossian Aaltonen	M	30.0	NaN	NaN	Finland	FIN	1920 Summer	1920	Summer	Antwerpen	Swimming	Swimming Men's 200 metres Breaststroke	Bronze	0	0	1	1	3
15	Arvo Ossian Aaltonen	M	30.0	NaN	NaN	Finland	FIN	1920 Summer	1920	Summer	Antwerpen	Swimming	Swimming Men's 400 metres Breaststroke	Bronze	0	0	1	1	3

	Qtd
count	24545.000000
mean	1.388796
std	0.939906
min	1.000000
25%	1.000000
50%	1.000000
75%	1.000000
max	28.000000

História das Olimpíadas - Parte 2¶

1. O Brasil nas Olimpíadas¶

2. O mundo nos jogos de verão¶

3. Brasil vs Mundo¶

	Esporte	Ano	Ouros	Pratas	Bronzes	Qtd	Ordem
0	Judo	44024	4	3	15	22	55
1	Sailing	35904	7	3	8	18	37
2	Athletics	31748	5	3	8	16	35

	Evento	Ano	Ouros	Pratas	Bronzes	Qtd	Ordem
0	Beach Volleyball Women's Beach Volleyball	14024	1	4	2	7	15
1	Volleyball Men's Volleyball	12016	3	3	0	6	9
2	Beach Volleyball Men's Beach Volleyball	12048	2	3	1	6	11

	NOC	Ano	Ouros	Pratas	Bronzes	Qtd	Ordem
0	USA	4989950	1035	802	707	2544	4760
1	URS	1980704	394	317	294	1005	1910
2	GBR	1744990	278	316	298	892	1804
3	GER	1527536	233	261	282	776	1601
4	FRA	1506074	233	255	282	770	1589
5	ITA	1196488	219	191	198	608	1195
6	CHN	1085756	227	162	153	542	1010
7	SWE	997768	150	175	188	513	1064
8	AUS	1003962	147	167	192	506	1057
9	HUN	991064	178	154	172	504	1002
10	OTH	13714004	1993	2269	2670	6932	14541